基于人工智能的呼吸重症患者状态监测预警方法

本发明涉及多维数据异常监控，具体涉及基于人工智能的呼吸重症患者状态监测预警方法。

背景技术：

1、为了帮助医学生学习人工智能辅助监测呼吸重症的患者的监测预警的相关知识，比如教师根据不同的预警信息进行患者状态分析教学等，通常需要监测系统提供的预警信息，监测系统主要利用监测设备来实时监测生理指标如呼吸频率、心率、血氧饱和度和血压等数据，并设置预警阈值进行预警信息获取。

2、但是在常用的监测预警方法中，预警阈值的选取通常都是较为固定的，这将导致状态监测的时效性较弱，固定预警阈值仅能在发生明显体征数据异常时进行预警，这将导致监测情况与异常情况实际存在一定的延时，影响医学生对预警信息及时判断的学习，因此监测反馈异常的实时性对医学生教学是非常关键的。而在体征数据达到异常预警前就会存在一定的趋向异常波动，因此在对预警阈值进行设定时，并没能考虑多种监测数据共同反映出的数据波动趋向异常的提前变化情况，导致预警阈值时效性较弱，状态监测的预警信息缺乏准确性和时效性。

技术实现思路

1、为了解决现有技术中预警阈值时效性较弱，状态监测的预警信息缺乏准确性和时效性的技术问题，本发明的目的在于提供一种基于人工智能的呼吸重症患者状态监测预警方法，所采用的技术方案具体如下：

2、本发明提供了一种基于人工智能的呼吸重症患者状态监测预警方法，所述方法包括：

3、获取当前采样时刻前每个历史采样时刻下的每种监测类型的监测数据曲线；

4、将当前采样时刻前预设分析数量个采样时刻作为疑似异常区间；在每种监测类型下，根据疑似异常区间中监测数据曲线的持续变化程度、波动幅值增长程度和波动突变程度，获得每种监测类型在疑似异常区间中的异常特征指标；

5、对于每种监测类型的疑似异常区间，当异常特征指标满足预设异常条件时，将疑似异常区间按照时序顺序向前迭代扩展，并计算每次疑似异常区间扩展后的异常特征指标；直至异常特征指标的整体变化情况满足预设停止条件，获得每种监测类型的异常区间；

6、根据每种监测类型的异常区间的分布范围和对应异常区间在扩展过程中的异常特征指标的分布情况，以及在对应监测类型的异常区间上与其他监测类型在监测数据曲线之间的关联情况，获得每种监测类型的异常调整度；

7、根据每种监测类型的异常调整度获取每种监测类型的预警阈值；基于每种监测类型的预警阈值进行监测预警。

8、进一步地，所述异常特征指标的获取方法包括：

9、依次将每种监测类型作为分析类型，获取分析类型在疑似异常区间中对应监测数据曲线上每个采样时刻对应的斜率；计算疑似异常区间中每相邻两个采样时刻之间的斜率差异，并将所有斜率差异的累加值进行负相关映射并归一化处理，获得分析类型在疑似异常区间中的持续变化指标；

10、获取分析类型在疑似异常区间中对应监测数据曲线上的波峰，并获取每个波峰对应的波幅；计算疑似异常区间中每相邻两个波峰中后一波峰对应波幅与前一波峰对应波幅之间的差值，获得波幅差值；根据疑似异常区间中所有波幅差值的变化程度，获得分析类型在疑似异常区间中的波幅变化指标；

11、对于分析类型在疑似异常区间中的任意一个波峰，计算与该波峰相邻的两个极小值之间的时间间隔，获得该波峰的波动跨度；将该波峰的波幅与波动跨度的比值作为该波峰的纵横比；将该波峰的波幅与纵横比的乘积，作为该波峰的波形值；将分析类型在疑似异常区间中所有波峰的波形值的和值进行归一化处理，获得分析类型在疑似异常区间中的波动突变指标；

12、根据分析类型在疑似异常区间中的持续变化指标、波幅变化指标和波动突变指标，获得分析类型在疑似异常区间的异常特征指标；持续变化指标、波幅变化指标和波动突变指标均与异常特征指标呈正相关。

13、进一步地，所述根据疑似异常区间中所有波幅差值的变化程度，获得分析类型在疑似异常区间中的波幅变化指标，包括：

14、将分析类型在疑似异常区间中所有波幅差值映射到时序空间中，并进行曲线拟合获得疑似异常区间中的波幅差值曲线；获取每个波幅差值在波幅差值曲线中的导数；

15、计算每相邻两个波幅差值中后一波幅差值与前一波幅差值之间的导数差值，并将所有导数差值的累加值进行归一化处理，获得分析类型在疑似异常区间中的波幅变化指标。

16、进一步地，所述对于每种监测类型的疑似异常区间，当异常特征指标满足预设异常条件时，将疑似异常区间按照时序顺序向前迭代扩展，并计算每次疑似异常区间扩展后的异常特征指标，包括：

17、预设异常条件为监测类型在疑似异常区间中的异常特征指标大于预设异常阈值；

18、对于任意一种监测类型，当该监测类型在疑似异常区间中的异常特征指标满足预设异常条件时，将该监测类型的疑似异常区间向前扩展一个采样时刻，获得该监测类型扩展后的疑似异常区间，并计算扩展后的疑似异常区间的异常特征指标。

19、进一步地，所述直至异常特征指标的整体变化情况满足预设停止条件，获得每种监测类型的异常区间，包括：

20、对于任意一种监测类型，在该监测类型的疑似异常区间在扩展过程中，根据每次扩展后对应的疑似异常区间的异常特征指标与前一次扩展对应的疑似异常区间的异常特征指标的变化情况，获得每次扩展的停止可能性；

21、预设停止条件为：扩展后的异常特征指标不满足预设异常条件，或扩展后的异常特征指标满足预设异常条件时对应扩展的停止可能性大于预设停止阈值；

22、当该监测类型的扩展后的疑似异常区间满足预设停止条件，停止该监测类型的扩展过程，将最后一次扩展后的疑似异常区间作为该监测类型的异常区间。

23、进一步地，所述停止可能性的获取方法包括：

24、对于任意一次扩展，当该扩展后对应的异常特征指标大于或等于该扩展前对应的异常特征指标时，将该扩展的扩展变化值记为预设变化值；

25、当该扩展后对应的异常特征指标小于该扩展前对应的异常特征指标时，将该扩展前对应的异常特征指标与该扩展后对应的异常特征指标的差异，作为该扩展的扩展变化值；

26、将包括该扩展的前每次扩展的扩展变化值相加，获得该扩展的停止可能性。

27、进一步地，所述异常调整度的获取方法包括：

28、依次将每种监测类型作为待测类型，当待测类型的异常区间中采样时刻的数量与预设分析数量相等时，将待测类型的异常调整度记为零；

29、当待测类型的异常区间中采样时刻的数量大于预设分析数量时，将待测类型的异常区间的中采样时刻的总数量，作为待测类型的区间跨度；计算异常区间中监测数据曲线上数据最大值与数据最小值的差值，作为待测类型的区间幅值；将待测类型的区间跨度与区间幅值的乘积，作为待测类型的区间分布指标；

30、将待测类型对应异常区间在扩展过程中计算的所有异常特征指标中的最大值，作为待测类型的异常程度指标；

31、在待测类型的异常区间中，计算待测类型与每个其他监测类型的监测数据曲线之间的皮尔逊系数并求绝对值，获得待测类型与每个其他监测类型的关联度；将待测类型与所有监测类型的关联度的累加和，作为待测类型的关联指标；

32、对待测类型的分布指标、异常程度指标和关联指标进行累乘并归一化处理，获得待测类型的异常调整度。

33、进一步地，所述根据每种监测类型的异常调整度获取每种监测类型的预警阈值，包括：

34、对于任意一种监测类型，计算该监测类型的预设最大调整量与异常调整度的乘积，获得该监测类型的阈值调整量；

35、将该监测类型的预设高阈值与阈值调整量的差值，作为该监测类型的预警阈值的高阈值；将该监测类型的预设低阈值与阈值调整量的和值，作为该监测类型的预警阈值的低阈值。

36、进一步地，所述基于每种监测类型的预警阈值进行监测预警，包括：

37、若当前采样时刻的监测类型对应异常区间中监测数据曲线的数据，大于对应监测类型的预警阈值的高阈值或小于对应监测类型的预警阈值的低阈值时，将对应监测类型的预警信息记为异常，否则对应监测类型的预警信息记为正常。

38、进一步地，所述波幅的获取方法包括：

39、在与每个波峰相邻的两个极小值中，将两个极小值中的最小值作为每个波峰的波动最小值；计算每个波峰与波动最小值之间的数值差异，获得每个波峰的波幅。

40、本发明具有如下有益效果：

41、本发明通过对当前采样时刻前的疑似异常区间中不同监测类型对应监测数据曲线的持续变化、波动幅度和波动突变三个方面分析，得到每个监测类型在疑似异常区间中的异常特征指标，考虑真实状态异常前的会存在的趋于异常波动情况，得到每种监测类型的初步异常情况进行后续阈值的调整，同时为了更完整的分析存在初步异常的情况，对满足预设异常条件的监测类型，将疑似异常区间向前迭代扩展，基于扩展过程中的异常特征指标满足预设停止调整情况，得到每种监测类型的异常区间，完整表征当前采样时刻前存在的一定异常波动情况。进一步考虑到需要预警的状态异常是多维数据共同变化表征的，因此在通过分析异常区间中异常情况得到调整度时，不仅通过异常区间的分布范围和扩展中的异常特征指标，还分析了监测类型之间的关联情况，得到每种监测类型的异常调整度，使后续能够对需要预警的状态异常进行准确的调整。最终，根据异常调整度调整预警阈值进行监测预警。本发明通过实时局部多类型监测数据之间的趋于异常情况以及关联情况，自适应调整预警阈值，使需要预警的状态异常能够快速准确的被监测，使状态监测的预警信息准确性和时效性更高。